Acl-2026 论文

论文用四种真实声景按 1 到 4 个干扰源叠加构造十万级评测，报告高阶推理在户外强干扰下功能性崩溃而性别感知相对稳定，且常用去噪反而加重词错误率等代价。

针对实时通信中未知增强与编解码耦合失真问题，论文用真机穿越七个主流平台构建约 600 小时配对数据并提出音素引导一致性学习，在离线与在线混合评估上把平均等错率降到 5.81%，代价是对极端噪声与激进非线性失真仍有差距。

针对语音到语音模型只测语义、不测说话方式的问题，S2S-Arena 用四级交互协议与 1243 条语音查询做 1001 次语音内成对比较，最强证据是工业模型全面领先而学术模型在高难度表达层落后 300 分以上，代价是合成语音分布与短轮交互的局限。

S2ST-Omni 把多语语音到语音翻译拆成高精度语音到文本前端加可插拔语音合成后端，用先局部后全局的混合适配器和声学加语言两级源语言感知提升翻译，在 CVSS-C 法德西到英上取得平均 BLEU 35.67 的报告最好结果，代价是依赖大骨干与可靠语言标识且只验证了三对高资源方向。

针对单路编码器难以同时保语义和保音质的问题，SAC 把冻结语义流与可训练声学流分开量化再融合解码，在 LibriSpeech 重建与 ARCH 语义探测上取得低词错误率和高自然度，但低码率下音色相似度仍有代价。

针对转写文本丢失语气与环境线索且难以拆解分层话术的问题，SAFE-QAQ 用端到端音频大模型加三阶段规则奖励强化学习做慢思考推理，在 TeleAntiFraud-Bench 上以 SAFE-LS 取得场景 84.64、欺诈 89.61、类型 88.23 的加权 F1，代价是仍依赖单一数据集且实时版类型精度有所下降。

针对文本评测看不见韵律情感与书面腔问题，该工作用真实对合成与书面對口语两类多轮偏好对训练端到端奖励模型，在分层基准上以 96.61% 模态微平均等证据显示可运行优势，代价是绝对分值仍随域偏移需谨慎用于优化。

论文针对大音频语言模型在噪声下语义推理不稳定的问题，提出在模型内部嵌入空间度量噪声投影能量的 SEE 并用减去噪声子空间分量的 SEEN 做免训练缓解，最强证据是 SEE 与生成成功率呈约 0.98 负相关，而代价是需要对齐的干净与纯噪声标定数据且只能去除可分离干扰不能补回已丢失语义。

针对全局提示无法刻画配器情绪能量随段落演变的问题，SegTune 用全局加分段层级条件与大模型句级时长预测做非自回归扩散生成，在 15 首中文流行歌测试中把音素错误率降到 14.5% 并把音乐性主观分做到 4.57，代价是偏好优化后性别年龄跟随出现下滑。

针对流式语音对话必须在文本生成前给出情绪条件的问题，Self-EmoQ 用话语级马尔可夫决策过程加模仿奖励与普鲁契克理论奖励学习情绪规划器，四个对话数据集上报告了情绪排序与回复质量的提升，代价是依赖大模型打分与离散情绪集合。

针对整段临床对话只有一个会话级标签且病理性表现稀疏不均匀的问题，该工作用会话级聚合、片段级伪标签与帧级一致性三层联合的纯音频半监督框架学习，在中英文抑郁与阿尔茨海默数据上以极少标注逼近全监督，并以消融与伪标签演化分析揭示收益与代价。

SHANKS 针对等说完再思考导致无法中途打断和工具延迟的问题，采用固定时长语音分块交替生成未说出思考，在数学打断与旅行工具对话中提前完成推理和调用，但提前行动伴随成功率下降需与听完再调用组合使用。

论文用文本化多模态线索统一笑声检测、类型分类与原因解释，并以笑声自指令扩充与混合笑声专家提升泛化，主证据是文本大模型在三任务上优于音视频大模型，代价是依赖外部抽取器与伪标签校对。

论文研究只加音频扰动能否无目标破坏音频视频语言模型的问答，方法是固定视频与文本并用六种损失学习一段可复用的共享扰动，最强证据是组合损失在 AVQA 上达到 96.03% 攻击成功率，代价是跨模型与跨声学域迁移很弱且物理混响下部分目标明显衰减。

针对级联转写在低资源语言和口音下丢失声学线索且误差传播的问题，论文用冻结 MiMo-Audio-7B 加任务加共享加语言残差三段软提示做端到端二分类，在 PolySpeechTox 上报告微平均 ROC-AUC 为 98.07%，代价是只验证了单一骨干且依赖语言口音标签做训练路由。

论文以多轮对话中同一说话人是否保持声学一致为问题，用检测、定位、判别三任务与 1818 个人审实例检验 12 个大音频语言模型与 6 种嵌入基线，最强证据是判别可达 81.5% 而检测仅 64.7% 且加文本上下文后不一致检出崩塌，代价是绝对判断阈值不稳与文本压过声学。

针对端到端转写丢失时间信息的问题，该研究用谱重力初始化加截止时间限制的期望最大化估计每帧共振峰并做语音切分，在爱尔兰语、特威语和沃提克语上以零样本方式取得高同质性和可比的归一化互信息，但对鼻音和滑音等过渡音仍存在过切分代价。

针对语音对话中停顿与轮次结束难以区分的问题，论文构建含合成与真实对话的 OpenETD 数据集并提出 SpeculativeETD 两级协作推理，用端侧轻量模型逐块判有声无声、只在静音段触发服务端大模型判暂停还是结束，在混合训练下真实集上取得更好分割效果，代价是服务端调用与传输延迟仍需计入部署预算。

针对同时有内部听觉与外部转写建议时朴素融合反而变差的问题，论文用可学习的内部、外部、重写三种动作先裁决再生成，在七个语音识别集与多域音频问答上报告了可运行策略的改进，但重写类样本稀少仍是主要代价。

该文针对合成语音评测只有分数、跨任务跨语言泛化弱的问题，构建覆盖四任务四语言的 SpeechEval 并用指令微调加奖励优化训练 SQ-LLM，最强证据是在评估与对比维度相关性上超过专家基线，代价是约 43 个 A100 小时训练与对特定伪造来源泛化仍不稳定。